YoloV8改进策略：Block改进|MogaNet——高效的多阶门控聚合网络
YoloV8改进策略：Block改进|MogaNet——高效的多阶门控聚合网络
AI浩
发布于 2024-10-22 12:26:40
发布于 2024-10-22 12:26:40
代码可运行
运行总次数：0
代码可运行
摘要
本文尝试使用MogaNet改进YoloV8，使用MogaNet的Block替换YoloV8的Block，实现涨点。
https://jingjing.blog.csdn.net/article/details/136428460?spm=1001.2014.3001.5502论文：《MogaNet——高效的多阶门控聚合网络》
https://arxiv.org/pdf/2211.03295.pdf 在这项工作中，我们从多阶博弈论交互这一全新视角探索了现代卷积神经网络的表示能力。这种交互反映了不同尺度上下文中变量间的相互作用效果。在现代卷积神经网络框架中，我们定制了两个特征混合器，它们采用概念上简单但高效的深度卷积，以促进空间和通道空间中的中等阶信息。因此，我们提出了一种新的纯卷积神经网络架构族，称为MogaNet。MogaNet具有出色的可扩展性，在ImageNet和其他多种典型视觉基准测试中，与最先进的模型相比，其参数使用更高效，且具有竞争力的性能。具体来说，MogaNet在ImageNet上实现了80.0%和87.8%的Top-1准确率，分别使用了5.2M和181M参数，优于ParC-Net-S和ConvNeXt-L，同时节省了59%的浮点运算和17M的参数。源代码可在GitHub上(https://github.com/Westlake-AI/MogaNet)获取。
YoloV8官方结果
YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 29/29 [
all 230 1412 0.922 0.957 0.986 0.737
c17 230 131 0.973 0.992 0.995 0.825
c5 230 68 0.945 1 0.995 0.836
helicopter 230 43 0.96 0.907 0.951 0.607
c130 230 85 0.984 1 0.995 0.655
f16 230 57 0.955 0.965 0.985 0.669
b2 230 2 0.704 1 0.995 0.722
other 230 86 0.903 0.942 0.963 0.534
b52 230 70 0.96 0.971 0.978 0.831
kc10 230 62 0.999 0.984 0.99 0.847
command 230 40 0.97 1 0.995 0.811
f15 230 123 0.891 1 0.992 0.701
kc135 230 91 0.971 0.989 0.986 0.712
a10 230 27 1 0.555 0.899 0.456
b1 230 20 0.972 1 0.995 0.793
aew 230 25 0.945 1 0.99 0.784
f22 230 17 0.913 1 0.995 0.725
p3 230 105 0.99 1 0.995 0.801
p8 230 1 0.637 1 0.995 0.597
f35 230 32 0.939 0.938 0.978 0.574
f18 230 125 0.985 0.992 0.987 0.817
v22 230 41 0.983 1 0.995 0.69
su-27 230 31 0.925 1 0.995 0.859
il-38 230 27 0.972 1 0.995 0.811
tu-134 230 1 0.663 1 0.995 0.895
su-33 230 2 1 0.611 0.995 0.796
an-70 230 2 0.766 1 0.995 0.73
tu-22 230 98 0.984 1 0.995 0.831
测试结果
YOLOv8l summary: 868 layers, 36325566 parameters, 0 gradients, 136.7 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:02<00:00, 5.04it/s]
all 230 1412 0.973 0.972 0.991 0.761
c17 230 131 0.991 1 0.995 0.857
c5 230 68 0.943 1 0.995 0.844
helicopter 230 43 0.955 1 0.988 0.665
c130 230 85 1 0.994 0.995 0.673
f16 230 57 0.987 0.947 0.993 0.714
b2 230 2 0.928 1 0.995 0.746
other 230 86 0.997 0.953 0.97 0.53
b52 230 70 1 0.975 0.989 0.85
kc10 230 62 0.995 0.984 0.989 0.865
command 230 40 0.995 1 0.995 0.835
f15 230 123 0.991 0.984 0.995 0.685
kc135 230 91 0.987 0.989 0.991 0.701
a10 230 27 1 0.538 0.961 0.466
b1 230 20 0.995 1 0.995 0.716
aew 230 25 0.953 1 0.992 0.784
f22 230 17 0.961 1 0.995 0.774
p3 230 105 1 0.986 0.995 0.807
p8 230 1 0.858 1 0.995 0.697
f35 230 32 1 0.894 0.992 0.592
f18 230 125 0.991 0.992 0.99 0.844
v22 230 41 0.994 1 0.995 0.755
su-27 230 31 0.992 1 0.995 0.873
il-38 230 27 0.99 1 0.995 0.881
tu-134 230 1 0.853 1 0.995 0.995
su-33 230 2 1 1 0.995 0.734
an-70 230 2 0.911 1 0.995 0.812
tu-22 230 98 0.997 1 0.995 0.852
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2024-03-05，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
